DGQ-Glossar Digitalisierung: Neuronale Netze17 | 12 | 19

Im Bereich der Neurowissenschaften versteht man unter neuronalen Netzen durch Synapsen miteinander verbundene Nervenzellen. Diesen biologischen Aufbau macht sich die Neurowissenschaft zunutze, indem sie die Netze aus künstlichen Neuronen nachbildet. Die Rede ist dann von künstlichen neuronalen Netzen, kurz KNN. Künstliche neuronale Netze gehören in den Bereich der künstlichen Intelligenz, da sie unterschiedliche Probleme computerbasiert lösen.

KNN werden in technisch und biologisch orientierte Simulationen unterschieden. Während biologisch simulierte KNN neuronale Eigenschaften so realistisch wie möglich wiedergeben sollen, dienen technisch orientierte Simulationen vorrangig der Lösung technisch-mechanischer Problemstellungen. Das neuronale Netz besteht aus mehreren Neuronen, die in der Lage sind, Informationen aufzunehmen. Die Informationen werden extern bezogen, von den Neuronen im Netzwerk verteilt und entsprechend modifiziert. Anschließend wird eine Problemlösung ausgegeben. Ein KNN besteht üblicherweise aus Input-Neuronen, Hidden-Neuronen und Output-Neuronen. Die Input-Neuronen dienen der Informationsaufnahme. Die Hidden-Neuronen bilden intern Informationen in Form von Informationsmustern ab und die Output-Neuronen geben die Informationen aus.

Bevor KNN einsatzbereit sind, müssen sie einem entsprechenden Training unterzogen werden. Dabei wird zwischen überwachtem und unüberwachtem Lernen unterschieden. Überwachtes Lernen impliziert die Vorgabe eines konkreten Ergebnisses für die jeweiligen Eingabemöglichkeiten. Das aktuelle Ergebnis wird kontinuierlich mit dem gewünschten Ergebnis verglichen, wodurch das künstliche neuronale Netz lernt, die Neuronen wie gewünscht zu verknüpfen. Beim unüberwachten Lernen wird dem KNN kein Ergebnis vorgegeben. Es nimmt die notwendigen Informationen und Veränderungen ausschließlich durch die unterschiedlichen Eingabemuster auf.

Künstliche neuronale Netze kommen in unterschiedlichen Bereichen zur Anwendung. Typische Einsatzgebiete sind die Sprach-, Schrift-, und Bilderkennung, sowie Frühwarnsysteme und maschinelle Übersetzungen. Doch auch für komplexe Prognosen, zum Beispiel im Bereich der Wettervorhersage oder der Diagnostik medizinischer Fragestellungen werden sie angewandt.

Über den Autor: DGQ